OCR: Estrazzjoni tat-Test
F'din il-paġna
Aqra t-Test fl-Immaġnijiet
L-OCR (Rikonoxximent Ottiku tal-Karattri) huwa wieħed mill-aktar każijiet ta’ użu qawwija għal Grok Vision. Għall-kuntrarju tal-għodod tradizzjonali li jestrawwu biss il-karattri, Grok jifhem il-kuntest tat-test fl-immaġni, it-tqassim tiegħu u t-tifsira tiegħu.
OCR Klassiku vs OCR Multimodali
L-għodod tradizzjonali tal-OCR (Tesseract, Google Vision OCR, AWS Textract) huma eċċellenti fl-estrazzjoni grezza tal-karattri. Grok iżid dimensjoni ekstra: jifhem x’inhu t-tifsira tat-test fil-kuntest tal-immaġni.
Pereżempju, meta tipproċessa fattura skennjata, għodda klassika tal-OCR testra l-karattri kollha. Grok jista’ wkoll:
- Jidentifika l-oqsma (numru tal-fattura, data, ammont totali)
- Jistruttura d-data f’format li jista’ jintuża
- Jikkoreġi l-iżbalji tal-OCR billi juża l-kuntest
- Jinterpreta t-tabelli u t-tqassim kumpless
Estrazzjoni Bażika
Għall-estrazzjoni sempliċi tat-test viżibbli:
response = client.responses.create(
model="grok-4.5",
input=[
{
"type": "input_image",
"image_url": url_document,
"detail": "high" # Essential for OCR
},
{
"type": "input_text",
"text": "Extract all visible text in this image. Preserve the layout as much as possible."
}
],
store=False
)
Il-parametru detail: "high" huwa essenzjali għall-OCR. Fil-modalità low, il-mudell jista’ jitlif test fin jew jaqra ħażin ċerti karattri.
Estrazzjoni Strutturata ta’ Dokumenti
Għal dokumenti professjonali, itlob estrazzjoni strutturata:
def extraire_facture(image_url):
prompt = """This image is an invoice. Extract the following
information in JSON:
- "invoice_number": the invoice number
- "date": the issue date
- "issuer": name and address of the issuer
- "recipient": name and address of the recipient
- "lines": table with columns [description, quantity, unit_price, total]
- "subtotal": amount excluding tax
- "vat": VAT amount
- "total_incl_tax": amount including tax
If a field is not visible, indicate null."""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Estrazzjoni ta’ Karta tan-Negozju
def extraire_carte_visite(image_url):
prompt = """Extract the information from this business card in JSON:
- "name": full name
- "title": job title/position
- "company": company name
- "email": email address
- "phone": phone number(s)
- "address": postal address
- "website": website URL
- "social_media": links to social media profiles"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Ipproċessar ta’ Screenshot
Is-screenshots huma każ ta’ użu eċċellenti għax spiss ikun fihom test f’tqassim kumpless (menús, sidebars, popups):
def analyser_screenshot(image_url):
prompt = """Analyze this screenshot and identify:
1. The application or website displayed
2. The visible page or section
3. The main interface elements (buttons, menus, forms)
4. Any important text displayed
5. Any error messages or notifications"""
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": prompt}
],
store=False
)
return response.output_text
Ipproċessar ta’ Dokumenti f’Lotti
Biex tipproċessa volum kbir ta’ dokumenti, għaqqad l-OCR ta’ Grok ma’ pipeline tal-ipproċessar:
import json
async def pipeline_ocr(documents):
resultats = []
for doc in documents:
# 1. Validate the image
if not valider_image(doc["chemin"]):
resultats.append({"fichier": doc["chemin"], "erreur": "Invalid image"})
continue
# 2. Encode to base64
image_url = encoder_base64(doc["chemin"])
# 3. Extract with Grok
response = client.responses.create(
model="grok-4.5",
input=[
{"type": "input_image", "image_url": image_url, "detail": "high"},
{"type": "input_text", "text": doc["prompt"]}
],
store=False
)
# 4. Parse the result
try:
data = json.loads(response.output_text)
resultats.append({"fichier": doc["chemin"], "data": data})
except json.JSONDecodeError:
resultats.append({"fichier": doc["chemin"], "texte_brut": response.output_text})
return resultats
Limitazzjonijiet tal-OCR ta’ Grok
- Test miktub bl-idejn: ir-rikonoxximent jaħdem tajjeb għal kittieb li jinqara, iżda jista’ jfalli fuq kittieb kursiv jew li ma jinqarax
- Lingwi mhux Latini: il-preċiżjoni tvarja skont il-lingwa u t-tipa użata
- Immaġnijiet ta’ kwalità baxxa: skennjar b’riżoluzzjoni baxxa jew ritmossi ċċajprati jnaqqsu r-riżultati
- Test żgħir ħafna: anke fil-modalità
high, test iżgħar minn 8 pixels għoli jista’ jinqara ħażin
Punti Ewlenin
- Uża dejjem
detail: "high"għal kompiti tal-OCR - Itlob estrazzjoni strutturata (JSON) biex tuża d-data awtomatikament
- Grok imur lil hinn mill-OCR grezz: jifhem il-kuntest u t-tqassim
- Uża
store: falsegħal dokumenti sensittivi (fatturi, karti tan-negozju) - Ivvalida u pproċessa minn qabel l-immaġnijiet biex timmassimizza l-kwalità tal-estrazzjoni